TED2009
Dan Ariely: Our buggy moral code
Dan Ariely a hibás erkölcsi normákról
Filmed:
Readability: 3.2
3,509,395 views
Dan Ariely viselkedéskutató közgazda az erkölcsi normáink hibáit vizsgálja - a rejtett okokat, miért érezzük néha megengedhetőnek a csalást vagy a hazugságot. Ügyes kísérletek segítik levonni a következtetést, hogy megjósolhatóan irracionálisak vagyunk, és tudtunk nélkül befolyásolhatóak.
Dan Ariely - Behavioral economist
The dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why. Full bio
The dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why. Full bio
Double-click the English transcript below to play the video.
00:16
I want to talk to you today a little bit
0
1000
2000
Amiről ma beszélni szeretnék,
00:18
about predictable irrationality.
1
3000
3000
az a megjósolható irracionalitás.
00:21
And my interest in irrational behavior
2
6000
4000
Az irracionális viselkedéssel kapcsolatos érdeklődésem
00:25
started many years ago in the hospital.
3
10000
3000
sok évvel ezelőtt egy kórházban kezdődött.
00:28
I was burned very badly.
4
13000
4000
Nagyon súlyosan megégtem.
00:32
And if you spend a lot of time in hospital,
5
17000
3000
Aki sok időt tölt kórházban,
00:35
you'll see a lot of types of irrationalities.
6
20000
3000
sokféle irracionális dolgot tapasztal.
00:38
And the one that particularly bothered me in the burn department
7
23000
5000
Ami a leginkább zavart az égési osztályon,
00:43
was the process by which the nurses took the bandage off me.
8
28000
4000
az a módszer, ahogy a nővérek a kötést levették rólam.
00:48
Now, you must have all taken a Band-Aid off at some point,
9
33000
2000
Biztosan próbáltatok már kötést eltávolítani,
00:50
and you must have wondered what's the right approach.
10
35000
3000
és biztosan gondolkoztatok rajta, mi a legjobb módja.
00:53
Do you rip it off quickly -- short duration but high intensity --
11
38000
4000
Gyorsan letéped - rövid ideig tart, de erős fájdalom,
00:57
or do you take your Band-Aid off slowly --
12
42000
2000
vagy lassan veszed le - így hosszabb,
00:59
you take a long time, but each second is not as painful --
13
44000
4000
de egyik pillanatban sem annyira intenzív a fájdalom.
01:03
which one of those is the right approach?
14
48000
3000
Melyik a jobb megoldás?
01:06
The nurses in my department thought that the right approach
15
51000
4000
A nővérek az osztályon úgy gondolták,
01:10
was the ripping one, so they would grab hold and they would rip,
16
55000
3000
hogy jobb letépni. Csak megmarkolták és tépték,
01:13
and they would grab hold and they would rip.
17
58000
2000
és megmarkolták, és tépték.
01:15
And because I had 70 percent of my body burned, it would take about an hour.
18
60000
4000
Mivel a testem 70 százaléka megégett, ez egy órán keresztül tartott.
01:19
And as you can imagine,
19
64000
3000
El tudjátok képzelni,
01:22
I hated that moment of ripping with incredible intensity.
20
67000
4000
mennyire utáltam azokat a fájdalmas pillanatokat, mikor téptek.
01:26
And I would try to reason with them and say,
21
71000
2000
Próbáltam érvelni, és meggyőzni őket,
01:28
"Why don't we try something else?
22
73000
1000
"Miért nem próbálják másként?
01:29
Why don't we take it a little longer --
23
74000
2000
Miért nem csináljuk kicsit tovább,
01:31
maybe two hours instead of an hour -- and have less of this intensity?"
24
76000
5000
akár két óráig egy helyett - kisebb intenzitással?"
01:36
And the nurses told me two things.
25
81000
2000
A nővérek két dolgot mondtak.
01:38
They told me that they had the right model of the patient --
26
83000
4000
Azt, hogy ők pontosan tudják, mit érez a beteg,
01:42
that they knew what was the right thing to do to minimize my pain --
27
87000
3000
és tudják, mivel lehet a leginkább csökkenteni a fájdalmamat.
01:45
and they also told me that the word patient doesn't mean
28
90000
3000
Azt is mondták, hogy a "páciens" szó nem azt jelenti,
01:48
to make suggestions or to interfere or ...
29
93000
2000
hogy javaslatokat tesz, vagy beleszól.
01:50
This is not just in Hebrew, by the way.
30
95000
3000
Egyébként nem csak héberül,
01:53
It's in every language I've had experience with so far.
31
98000
3000
hanem minden nyelven, amivel eddig találkoztam.
01:56
And, you know, there's not much -- there wasn't much I could do,
32
101000
4000
Tudjátok, nem sokat tudtam tenni,
02:00
and they kept on doing what they were doing.
33
105000
3000
és ők folytatták úgy, ahogy addig.
02:03
And about three years later, when I left the hospital,
34
108000
2000
Körülbelül három év után, mikor kikerültem a kórházból,
02:05
I started studying at the university.
35
110000
3000
elkezdtem az egyetemet.
02:08
And one of the most interesting lessons I learned
36
113000
3000
Az egyik legérdekesebb lecke, amit megtanultam,
02:11
was that there is an experimental method
37
116000
2000
hogy van egy kísérleti módszer,
02:13
that if you have a question you can create a replica of this question
38
118000
4000
amivel egy kérdést absztrakt módon átalakíthatsz,
02:17
in some abstract way, and you can try to examine this question,
39
122000
4000
és ha ezt a kérdést próbálod megérteni,
02:21
maybe learn something about the world.
40
126000
2000
talán tanulsz valamit a világról.
02:23
So that's what I did.
41
128000
2000
És én ezt tettem.
02:25
I was still interested
42
130000
1000
Még mindig érdekelt az a kérdés,
02:26
in this question of how do you take bandages off burn patients.
43
131000
2000
hogyan vegyük le a kötést az égési sérültekről.
02:28
So originally I didn't have much money,
44
133000
3000
Kezdetben nem volt sok pénzem.
02:31
so I went to a hardware store and I bought a carpenter's vice.
45
136000
4000
Elmentem egy szerszámboltba, és vettem egy asztalos satut.
02:35
And I would bring people to the lab and I would put their finger in it,
46
140000
4000
Embereket hívtam a laborba, akik bedugták az ujjukat,
02:39
and I would crunch it a little bit.
47
144000
2000
és megszorongattam őket.
02:41
(Laughter)
48
146000
2000
(Nevetés)
02:43
And I would crunch it for long periods and short periods,
49
148000
3000
Szorítottam hosszabb és rövidebb ideig,
02:46
and pain that went up and pain that went down,
50
151000
2000
növelve és csökkentve a fájdalmukat,
02:48
and with breaks and without breaks -- all kinds of versions of pain.
51
153000
4000
szünetekkel és szünet nélkül, mindenféle fájdalmat okozva.
02:52
And when I finished hurting people a little bit, I would ask them,
52
157000
2000
Miután befejeztem a kínzásukat, megkérdeztem őket.
02:54
so, how painful was this? Or, how painful was this?
53
159000
2000
"Milyen volt? Mekkora fájdalmat éreztél?
02:56
Or, if you had to choose between the last two,
54
161000
2000
Ha választani kellene a két utolsó közül,
02:58
which one would you choose?
55
163000
2000
melyiket választanád?"
03:00
(Laughter)
56
165000
3000
(Nevetés)
03:03
I kept on doing this for a while.
57
168000
3000
Csináltam ezt egy darabig.
03:06
(Laughter)
58
171000
2000
(Nevetés)
03:08
And then, like all good academic projects, I got more funding.
59
173000
4000
Aztán, mint egy jobb tudományos kutatás, több támogatást kaptam.
03:12
I moved to sounds, electrical shocks --
60
177000
2000
Áttértem a hang- és áramütéses kísérletekre.
03:14
I even had a pain suit that I could get people to feel much more pain.
61
179000
5000
Volt egy fájdalomkészletem, amivel elértem, hogy az emberek sokkal több fájdalmat elviseljenek.
03:19
But at the end of this process,
62
184000
4000
A folyamat végére rájöttem,
03:23
what I learned was that the nurses were wrong.
63
188000
3000
hogy a nővérek tévedtek.
03:26
Here were wonderful people with good intentions
64
191000
3000
Csodálatos emberek voltak, csupa jó szándékkal
03:29
and plenty of experience, and nevertheless
65
194000
2000
és rengeteg tapasztalattal,
03:31
they were getting things wrong predictably all the time.
66
196000
4000
mégis félreértették a dolgokat, biztosan és állandóan.
03:35
It turns out that because we don't encode duration
67
200000
3000
Kiderült, hogy az időtartamot nem ugyanúgy érzékeljük,
03:38
in the way that we encode intensity,
68
203000
2000
mint az intenzitást, ezért
03:40
I would have had less pain if the duration would have been longer
69
205000
4000
kevésbé fájt volna, ha hosszabb ideig,
03:44
and the intensity was lower.
70
209000
2000
de kisebb fájdalommal kezeltek volna.
03:46
It turns out it would have been better to start with my face,
71
211000
3000
Kiderült, hogy jobb lett volna az arcommal kezdeni,
03:49
which was much more painful, and move toward my legs,
72
214000
2000
ami sokkal fájdalmasabb volt, és haladni a lábaim felé,
03:51
giving me a trend of improvement over time --
73
216000
3000
hogy fokozatos javulást érezhessek.
03:54
that would have been also less painful.
74
219000
1000
Kevésbé fájt volna.
03:55
And it also turns out that it would have been good
75
220000
2000
Az is kiderült, hogy jobb lett volna szüneteket tartani,
03:57
to give me breaks in the middle to kind of recuperate from the pain.
76
222000
2000
hogy regenerálódjak két fájdalom között.
03:59
All of these would have been great things to do,
77
224000
2000
Mindez nagyszerű lett volna,
04:01
and my nurses had no idea.
78
226000
3000
de a nővéreknek erről fogalmuk sem volt.
04:04
And from that point on I started thinking,
79
229000
1000
Ettől kezdve azon kezdtem gondolkozni,
04:05
are the nurses the only people in the world who get things wrong
80
230000
3000
vajon csak a nővérek csinálják rosszul a dolgokat
04:08
in this particular decision, or is it a more general case?
81
233000
3000
ilyen döntéseknél, vagy ez egy általánosabb eset?
04:11
And it turns out it's a more general case --
82
236000
2000
Azt tapasztaltam, hogy ez általános.
04:13
there's a lot of mistakes we do.
83
238000
3000
Sokat hibázunk.
04:16
And I want to give you one example of one of these irrationalities,
84
241000
5000
Szeretnék mutatni egy példát ilyen irracionalitásra.
04:21
and I want to talk to you about cheating.
85
246000
3000
A csalásról szeretnék beszélni.
04:24
And the reason I picked cheating is because it's interesting,
86
249000
2000
Azért a csalást választottam, mert ez érdekes,
04:26
but also it tells us something, I think,
87
251000
2000
és azt hiszem, mond valamit
04:28
about the stock market situation we're in.
88
253000
3000
a jelenlegi tőzsdei helyzetről.
04:31
So, my interest in cheating started
89
256000
3000
Akkor kezdtem a csalással foglalkozni,
04:34
when Enron came on the scene, exploded all of a sudden,
90
259000
2000
mikor az Enron botrány hirtelen kirobbant.
04:36
and I started thinking about what is happening here.
91
261000
3000
Azon gondolkoztam, mi történik.
04:39
Is it the case that there was kind of
92
264000
1000
Lehet,
04:40
a few apples who are capable of doing these things,
93
265000
3000
hogy csak egy pár koponya képes ilyet kitalálni?
04:43
or are we talking a more endemic situation,
94
268000
2000
Vagy ez egy népbetegség,
04:45
that many people are actually capable of behaving this way?
95
270000
4000
és valójában bárki képes lenne így viselkedni?
04:49
So, like we usually do, I decided to do a simple experiment.
96
274000
4000
Ahogy azt szoktam, elhatároztam, hogy csinálok pár egyszerű kísérletet.
04:53
And here's how it went.
97
278000
1000
Elmondom, hogyan.
04:54
If you were in the experiment, I would pass you a sheet of paper
98
279000
3000
A kísérlet résztvevőinek adtam egy darab papírt
04:57
with 20 simple math problems that everybody could solve,
99
282000
4000
húsz egyszerű matematikai feladattal, amit bárki meg tud oldani,
05:01
but I wouldn't give you enough time.
100
286000
2000
de nem hagytam elég időt rá.
05:03
When the five minutes were over, I would say,
101
288000
2000
Öt perc után azt mondtam:
05:05
"Pass me the sheets of paper, and I'll pay you a dollar per question."
102
290000
3000
"Adjátok ide a lapokat, és fizetek feladatonként egy dollárt."
05:08
People did this. I would pay people four dollars for their task --
103
293000
4000
És így tettek. Négy dollárt fizettem a munkájukért,
05:12
on average people would solve four problems.
104
297000
2000
átlagosan négy feladatot oldottak meg.
05:14
Other people I would tempt to cheat.
105
299000
3000
Másokat megpróbáltam megkísérteni.
05:17
I would pass their sheet of paper.
106
302000
1000
Kiosztottam a feladatlapokat.
05:18
When the five minutes were over, I would say,
107
303000
2000
Mikor az öt perc eltelt, azt mondtam:
05:20
"Please shred the piece of paper.
108
305000
1000
"Tépjétek apró darabokra a lapot.
05:21
Put the little pieces in your pocket or in your backpack,
109
306000
3000
A darabokat tegyétek zsebre, vagy a táskátokba,
05:24
and tell me how many questions you got correctly."
110
309000
3000
és mondjátok meg, hány kérdésre válaszoltatok helyesen."
05:27
People now solved seven questions on average.
111
312000
3000
Az emberek most átlagosan hét kérdést oldottak meg.
05:30
Now, it wasn't as if there was a few bad apples --
112
315000
5000
Nem az történt, hogy néhányan,
05:35
a few people cheated a lot.
113
320000
3000
pár rossz fiú csalt sokat,
05:38
Instead, what we saw is a lot of people who cheat a little bit.
114
323000
3000
hanem sokan csaltak, mindenki egy kicsit.
05:41
Now, in economic theory,
115
326000
3000
A közgazdaságtanban
05:44
cheating is a very simple cost-benefit analysis.
116
329000
3000
a csalás egy egyszerű költség-haszon elemzés.
05:47
You say, what's the probability of being caught?
117
332000
2000
Felteheted a kérdést:
05:49
How much do I stand to gain from cheating?
118
334000
3000
"Mekkora az esélye, hogy lebukok? Mennyit nyerhetek a csalással?"
05:52
And how much punishment would I get if I get caught?
119
337000
2000
"Mekkora büntetést kapnék, ha rajtakapnának?"
05:54
And you weigh these options out --
120
339000
2000
És mérlegelnéd ezeket a lehetőségeket.
05:56
you do the simple cost-benefit analysis,
121
341000
2000
Csinálnál egy egyszerű költség-haszon elemzést,
05:58
and you decide whether it's worthwhile to commit the crime or not.
122
343000
3000
és döntenél, hogy megéri-e élni a lehetőséggel, vagy sem.
06:01
So, we try to test this.
123
346000
2000
Ezt próbáltuk igazolni.
06:03
For some people, we varied how much money they could get away with --
124
348000
4000
Egyeseknél azt variáltuk, mennyi pénzt tudnak szerezni,
06:07
how much money they could steal.
125
352000
1000
mennyi pénzt tudnak ellopni.
06:08
We paid them 10 cents per correct question, 50 cents,
126
353000
3000
Fizettünk nekik 10 centet, 50 centet,
06:11
a dollar, five dollars, 10 dollars per correct question.
127
356000
3000
1 dollárt, 5 dollárt, 10 dollárt minden jó válaszért.
06:14
You would expect that as the amount of money on the table increases,
128
359000
4000
Azt várnánk, hogy amint a tét növekszik,
06:18
people would cheat more, but in fact it wasn't the case.
129
363000
3000
az emberek többet csalnak, de nem így történt.
06:21
We got a lot of people cheating by stealing by a little bit.
130
366000
3000
Nagyon sok ember csalt, és kicsit loptak.
06:24
What about the probability of being caught?
131
369000
3000
Mi a helyzet a lebukás valószínűségével?
06:27
Some people shredded half the sheet of paper,
132
372000
2000
Néhányan a papírnak csak a felét tépték szét,
06:29
so there was some evidence left.
133
374000
1000
így maradt valamennyi bizonyíték.
06:30
Some people shredded the whole sheet of paper.
134
375000
2000
Mások az egész lapot összetépték.
06:32
Some people shredded everything, went out of the room,
135
377000
3000
Néhányan, akik az egészet széttépték, kimentek a szobából,
06:35
and paid themselves from the bowl of money that had over 100 dollars.
136
380000
3000
és maguknak fizettek egy dobozból, amiben több mint 100 dollár volt.
06:38
You would expect that as the probability of being caught goes down,
137
383000
3000
Azt várnánk, hogy ha a lebukás esélye csökken,
06:41
people would cheat more, but again, this was not the case.
138
386000
3000
az emberek többet csalnak. De most sem ez történt.
06:44
Again, a lot of people cheated by just by a little bit,
139
389000
3000
Megint sokan csaltak, csak egy picit,
06:47
and they were insensitive to these economic incentives.
140
392000
3000
és közömbösek voltak ezekre a gazdasági ösztönzőkre.
06:50
So we said, "If people are not sensitive
141
395000
1000
Akkor, ha az emberek
06:51
to the economic rational theory explanations, to these forces,
142
396000
5000
nem érzékenyek ezekre racionális gazdasági magyarázatokra,
06:56
what could be going on?"
143
401000
3000
mi lehet az oka?
06:59
And we thought maybe what is happening is that there are two forces.
144
404000
3000
Azt gondoltuk, talán az a helyzet, hogy két hatás van.
07:02
At one hand, we all want to look at ourselves in the mirror
145
407000
2000
Egyrészt, mindannyian úgy szeretnénk a tükörbe nézni,
07:04
and feel good about ourselves, so we don't want to cheat.
146
409000
3000
hogy jó benyomásunk legyen magunkról: nem akarunk csalni.
07:07
On the other hand, we can cheat a little bit,
147
412000
2000
Másrészt, tudunk egy kicsit csalni,
07:09
and still feel good about ourselves.
148
414000
2000
és mégis jónak ítéljük magunkat.
07:11
So, maybe what is happening is that
149
416000
1000
Szóval, az lehet a magyarázat,
07:12
there's a level of cheating we can't go over,
150
417000
2000
hogy van egy szintje a csalásnak, amit nem tudunk átlépni,
07:14
but we can still benefit from cheating at a low degree,
151
419000
4000
de kis csalásokkal képesek vagyunk előnyhöz jutni,
07:18
as long as it doesn't change our impressions about ourselves.
152
423000
3000
egész addig, amíg ez meg nem változtatja a saját magunkról kialakított képet.
07:21
We call this like a personal fudge factor.
153
426000
3000
Ezt hívjuk személyes füllentési faktornak.
07:25
Now, how would you test a personal fudge factor?
154
430000
4000
Hogyan tesztelhetünk egy személyes füllentési faktort?
07:29
Initially we said, what can we do to shrink the fudge factor?
155
434000
4000
Először azt kérdeztük, hogyan tudnánk csökkenteni?
07:33
So, we got people to the lab, and we said,
156
438000
2000
Embereket hívtunk a laborba, és azt mondtuk nekik:
07:35
"We have two tasks for you today."
157
440000
2000
két feladatotok van mára.
07:37
First, we asked half the people
158
442000
1000
Az emberek felét megkértük,
07:38
to recall either 10 books they read in high school,
159
443000
2000
hogy idézzenek fel 10 könyvet a középiskolából,
07:40
or to recall The Ten Commandments,
160
445000
3000
vagy arra, hogy idézzék fel a tízparancsolatot.
07:43
and then we tempted them with cheating.
161
448000
2000
Aztán megkísértettük őket a csalással.
07:45
Turns out the people who tried to recall The Ten Commandments --
162
450000
3000
Kiderült, hogy akinek a tízparancsolatot kellett felidézni,
07:48
and in our sample nobody could recall all of The Ten Commandments --
163
453000
2000
- igaz, senki sem tudta pontosan felidézni a tízparancsolatot -
07:51
but those people who tried to recall The Ten Commandments,
164
456000
4000
mégis, akik ezzel próbálkoztak,
07:55
given the opportunity to cheat, did not cheat at all.
165
460000
3000
és lehetőséget kaptak a csalásra, egyáltalán nem csaltak.
07:58
It wasn't that the more religious people --
166
463000
2000
Nem úgy volt, hogy a vallásosak, akik több parancsolatra emlékeztek,
08:00
the people who remembered more of the Commandments -- cheated less,
167
465000
1000
csaltak kevesebbet,
08:01
and the less religious people --
168
466000
2000
és a kevésbé vallásosak, akik szinte
08:03
the people who couldn't remember almost any Commandments --
169
468000
1000
semmire sem emlékeztek,
08:04
cheated more.
170
469000
2000
többet csaltak volna.
08:06
The moment people thought about trying to recall The Ten Commandments,
171
471000
4000
Abban a pillanatban, amikor megpróbálták felidézni a tízparancsolatot,
08:10
they stopped cheating.
172
475000
1000
abbahagyták a csalást.
08:11
In fact, even when we gave self-declared atheists
173
476000
2000
Még azok is, akik magukat ateistáknak vallották,
08:13
the task of swearing on the Bible and we give them a chance to cheat,
174
478000
4000
mikor megeskettük őket a Bibliára, és megadtunk nekik a lehetőséget,
08:17
they don't cheat at all.
175
482000
2000
egyáltalán nem csaltak.
08:21
Now, Ten Commandments is something that is hard
176
486000
2000
A tízparancsolatot elég nehéz dolog
08:23
to bring into the education system, so we said,
177
488000
2000
bevezetni az oktatásban, ezért megkérdeztük:
08:25
"Why don't we get people to sign the honor code?"
178
490000
2000
"Miért nem íratjuk alá a becsületkódexet?"
08:27
So, we got people to sign,
179
492000
2000
És az embereknek alá kellett írni, hogy
08:29
"I understand that this short survey falls under the MIT Honor Code."
180
494000
4000
"Megértettem, hogy ez a kérdőív a MIT Becsületkódexe hatálya alatt áll."
08:33
Then they shredded it. No cheating whatsoever.
181
498000
3000
Aztán összetépték. És nem csaltak.
08:36
And this is particularly interesting,
182
501000
1000
Ez különösen érdekes,
08:37
because MIT doesn't have an honor code.
183
502000
2000
mert a MIT-nek nincs becsületkódexe.
08:39
(Laughter)
184
504000
5000
(Nevetés)
08:44
So, all this was about decreasing the fudge factor.
185
509000
4000
Eddig a füllentési faktor csökkentéséről volt szó.
08:48
What about increasing the fudge factor?
186
513000
3000
Mi a helyzet a növelésével?
08:51
The first experiment -- I walked around MIT
187
516000
2000
A következő kísérlet az volt, hogy körbe jártam a MIT-n
08:53
and I distributed six-packs of Cokes in the refrigerators --
188
518000
3000
és tettem néhány hatos csomag Coca Colát a hűtőkbe.
08:56
these were common refrigerators for the undergrads.
189
521000
2000
Ezek közös hűtőszekrények voltak az egyetemisták számára.
08:58
And I came back to measure what we technically call
190
523000
3000
Aztán visszamentem felmérni, amit mi bennfentesen úgy hívunk,
09:01
the half-lifetime of Coke -- how long does it last in the refrigerators?
191
526000
4000
hogy a kóla élettartama: meddig marad meg a hűtőszekrényben.
09:05
As you can expect it doesn't last very long; people take it.
192
530000
3000
Gondolhatjátok, nem tartott túl sokáig. Elfogyott.
09:08
In contrast, I took a plate with six one-dollar bills,
193
533000
4000
Ezzel szemben, vettem egy tálcát, hat darab egydolláros csekkel,
09:12
and I left those plates in the same refrigerators.
194
537000
3000
és azokat hagytam ugyanazokban a hűtőszekrényekben.
09:15
No bill ever disappeared.
195
540000
1000
Egyetlen csekk sem tűnt el.
09:16
Now, this is not a good social science experiment,
196
541000
3000
Ez nem egy jó társadalomtudományi kísérlet.
09:19
so to do it better I did the same experiment
197
544000
3000
Hogy jobb legyen, elvégeztem ugyanazt a kísérletet,
09:22
as I described to you before.
198
547000
2000
amiről az előbb beszéltem.
09:24
A third of the people we passed the sheet, they gave it back to us.
199
549000
3000
Az emberek harmada visszaadta a kérdőívet.
09:27
A third of the people we passed it to, they shredded it,
200
552000
3000
A másik egyharmad széttépte,
09:30
they came to us and said,
201
555000
1000
és azt kellett mondaniuk nekünk:
09:31
"Mr. Experimenter, I solved X problems. Give me X dollars."
202
556000
3000
"Kísérletvezető úr, megoldottam X feladatot, kérek X dollárt."
09:34
A third of the people, when they finished shredding the piece of paper,
203
559000
3000
A maradék egyharmad, mikor széttépték a lapot,
09:37
they came to us and said,
204
562000
2000
azt mondták:
09:39
"Mr Experimenter, I solved X problems. Give me X tokens."
205
564000
6000
"Kísérletvezető úr, megoldottam X feladatot, kérek X zsetont."
09:45
We did not pay them with dollars; we paid them with something else.
206
570000
3000
Nekik nem dollárral fizettünk, hanem valami mással.
09:48
And then they took the something else, they walked 12 feet to the side,
207
573000
3000
Aztán fogták azt a zsetont, odébb mentek 4 métert,
09:51
and exchanged it for dollars.
208
576000
2000
és dollárra váltották.
09:53
Think about the following intuition.
209
578000
2000
Képzeld el a következőt.
09:55
How bad would you feel about taking a pencil from work home,
210
580000
3000
Mennyire éreznéd magad rosszul, ha a munkahelyedről hazavinnél egy ceruzát?
09:58
compared to how bad would you feel
211
583000
2000
És mennyire éreznéd magad rosszul,
10:00
about taking 10 cents from a petty cash box?
212
585000
2000
ha 10 centet kivennél a kasszából?
10:02
These things feel very differently.
213
587000
3000
Ezek a dolgok nagyon eltérő érzést váltanak ki.
10:05
Would being a step removed from cash for a few seconds
214
590000
3000
Lehet, hogy ez a pár másodperces lépés, amit beiktattunk a pénznél,
10:08
by being paid by token make a difference?
215
593000
3000
hogy előbb zsetonnal fizetünk, ez okoz eltérést?
10:11
Our subjects doubled their cheating.
216
596000
2000
Az alanyaink kétszer többet csaltak.
10:13
I'll tell you what I think
217
598000
2000
Mindjárt elmondom,
10:15
about this and the stock market in a minute.
218
600000
2000
mi köze ennek a tőzsdéhez.
10:18
But this did not solve the big problem I had with Enron yet,
219
603000
4000
De ez még nem oldja meg a nagy problémámat az Enronnal,
10:22
because in Enron, there's also a social element.
220
607000
3000
mert annak van egy társadalmi tényezője is.
10:25
People see each other behaving.
221
610000
1000
Ott az emberek látták egymás viselkedését.
10:26
In fact, every day when we open the news
222
611000
2000
Valójában minden nap, mikor kinyitjuk az újságot,
10:28
we see examples of people cheating.
223
613000
2000
látjuk, hogy az emberek hogy csalnak.
10:30
What does this cause us?
224
615000
3000
Hogyan hatnak ezek ránk?
10:33
So, we did another experiment.
225
618000
1000
Csináltunk egy újabb kísérletet,
10:34
We got a big group of students to be in the experiment,
226
619000
3000
amire egy nagy csoportra való hallgatót hívtunk meg.
10:37
and we prepaid them.
227
622000
1000
Felkészítettük őket,
10:38
So everybody got an envelope with all the money for the experiment,
228
623000
3000
mindenki kapott egy borítékot, benne az kísérletre szánt pénzzel.
10:41
and we told them that at the end, we asked them
229
626000
2000
A kísérlet végén megkértük őket,
10:43
to pay us back the money they didn't make. OK?
230
628000
4000
hogy fizessék vissza azt a pénzt, amit nem kerestek meg. Világos?
10:47
The same thing happens.
231
632000
1000
Ugyanaz történt.
10:48
When we give people the opportunity to cheat, they cheat.
232
633000
2000
Ha megadjuk az embereknek a lehetőséget a csalásra, csalnak.
10:50
They cheat just by a little bit, all the same.
233
635000
3000
Csak egy kicsit csalnak, minden ugyanúgy.
10:53
But in this experiment we also hired an acting student.
234
638000
3000
Ebben a kísérletben volt egy beépített hallgatónk is.
10:56
This acting student stood up after 30 seconds, and said,
235
641000
4000
Ez a beépített diák 30 másodperc után felállt, és azt mondta:
11:00
"I solved everything. What do I do now?"
236
645000
3000
"Megoldottam mindent. Mit csináljak?"
11:03
And the experimenter said, "If you've finished everything, go home.
237
648000
4000
A kísérletvezető azt mondta, ha kész van, menjen haza.
11:07
That's it. The task is finished."
238
652000
1000
Ennyi. Kész vagyunk.
11:08
So, now we had a student -- an acting student --
239
653000
4000
Szóval itt volt egy hallgató, egy beépített ember,
11:12
that was a part of the group.
240
657000
2000
aki a csoport tagja volt,
11:14
Nobody knew it was an actor.
241
659000
2000
senki nem tudta, hogy előre megbeszéltük.
11:16
And they clearly cheated in a very, very serious way.
242
661000
4000
Ez a diák szemmel láthatóan, nagyon durván csalt.
11:20
What would happen to the other people in the group?
243
665000
3000
Mi történt a többiekkel a csoportban?
11:23
Will they cheat more, or will they cheat less?
244
668000
3000
Többet csaltak, vagy kevesebbet?
11:26
Here is what happens.
245
671000
2000
Elárulom. Kiderült,
11:28
It turns out it depends on what kind of sweatshirt they're wearing.
246
673000
4000
ez attól függ, milyen melegítőfelsőt viseltek.
11:32
Here is the thing.
247
677000
2000
Ez érdekes!
11:34
We ran this at Carnegie Mellon and Pittsburgh.
248
679000
3000
Mindezt Pittsburghben, a Carnegie egyetemen csináltuk.
11:37
And at Pittsburgh there are two big universities,
249
682000
2000
Pittsburghben két nagy egyetem van,
11:39
Carnegie Mellon and University of Pittsburgh.
250
684000
3000
a Carnegie Mellon és a Pittsburghi Egyetem.
11:42
All of the subjects sitting in the experiment
251
687000
2000
A kísérlet minden résztvevője
11:44
were Carnegie Mellon students.
252
689000
2000
a Carnegie Mellon diákja volt.
11:46
When the actor who was getting up was a Carnegie Mellon student --
253
691000
4000
Amikor a beépített ember, aki felállt, Carnegie-s diák volt,
11:50
he was actually a Carnegie Mellon student --
254
695000
2000
igazából ő is Carnegie Mellon hallgató volt,
11:52
but he was a part of their group, cheating went up.
255
697000
4000
de amikor része volt a csapatnak, a csalás megnőtt.
11:56
But when he actually had a University of Pittsburgh sweatshirt,
256
701000
4000
Amikor ugyanez a diák Pittsburgh-ös felsőt viselt,
12:00
cheating went down.
257
705000
2000
a csalás csökkent.
12:02
(Laughter)
258
707000
3000
(Nevetés)
12:05
Now, this is important, because remember,
259
710000
3000
Ez most fontos. Emlékezzünk vissza,
12:08
when the moment the student stood up,
260
713000
2000
abban a pillanatban, amikor a diák felállt,
12:10
it made it clear to everybody that they could get away with cheating,
261
715000
3000
nyilvánvalóvá vált, hogy csalással leléphetnek,
12:13
because the experimenter said,
262
718000
2000
mert a kísérletvezető azt mondta,
12:15
"You've finished everything. Go home," and they went with the money.
263
720000
2000
ha kész van mindennel, menjen haza. És ő ment is a pénzzel.
12:17
So it wasn't so much about the probability of being caught again.
264
722000
3000
Ez után már nem valószínű, hogy elkaphatják.
12:20
It was about the norms for cheating.
265
725000
3000
Itt a csalás megítéléséről van szó.
12:23
If somebody from our in-group cheats and we see them cheating,
266
728000
3000
Ha valaki a saját csapatunkból csal, és látjuk őt csalni, akkor úgy érezzük,
12:26
we feel it's more appropriate, as a group, to behave this way.
267
731000
4000
hogy csapaton belül jobban elfogadott ez a viselkedés.
12:30
But if it's somebody from another group, these terrible people --
268
735000
2000
De ha ez a valaki egy másik csoportból, azok a rossz fiúk -
12:32
I mean, not terrible in this --
269
737000
2000
nem úgy értem, hogy rossz,
12:34
but somebody we don't want to associate ourselves with,
270
739000
2000
de valaki más, akivel nem akarunk azonosulni,
12:36
from another university, another group,
271
741000
2000
egy másik egyetemről, egy másik csapatból -
12:38
all of a sudden people's awareness of honesty goes up --
272
743000
3000
akkor hirtelen mindenkinek az öntudata és a becsülete megnő,
12:41
a little bit like The Ten Commandments experiment --
273
746000
2000
- egy kicsit mint a tízparancsolat-kísérlet esetén -
12:43
and people cheat even less.
274
748000
4000
és az emberek még kevesebbet csalnak.
12:47
So, what have we learned from this about cheating?
275
752000
4000
Szóval, mit tanultunk ebből a csalásról?
12:51
We've learned that a lot of people can cheat.
276
756000
3000
Megtanultuk, hogy egy csomó ember tud csalni.
12:54
They cheat just by a little bit.
277
759000
3000
Csak egy kicsit csalnak.
12:57
When we remind people about their morality, they cheat less.
278
762000
4000
Ha emlékeztetjük őket az erkölcsi szabályokra, kevesebbet csalnak.
13:01
When we get bigger distance from cheating,
279
766000
3000
Ha nagyobb távolságba kerülünk a csalástól,
13:04
from the object of money, for example, people cheat more.
280
769000
4000
például a pénztől, az emberek többet csalnak.
13:08
And when we see cheating around us,
281
773000
2000
Ha azt látjuk, hogy körülöttünk csalnak,
13:10
particularly if it's a part of our in-group, cheating goes up.
282
775000
4000
különösen akkor, ha ezt a saját csapatunkban látjuk, többet csalunk.
13:14
Now, if we think about this in terms of the stock market,
283
779000
3000
Most ha ugyanezeket átgondoljuk a tőzsdével kapcsolatban,
13:17
think about what happens.
284
782000
1000
képzeljük el, mi történik.
13:18
What happens in a situation when you create something
285
783000
3000
Mi történik abban az esetben, ha kitalálsz valamit,
13:21
where you pay people a lot of money
286
786000
2000
ahol fizetsz az embereknek egy csomó pénzt,
13:23
to see reality in a slightly distorted way?
287
788000
3000
hogy a valóságot egy kicsit másként lássák?
13:26
Would they not be able to see it this way?
288
791000
3000
Nem lennének képesek így látni?
13:29
Of course they would.
289
794000
1000
Dehogynem!
13:30
What happens when you do other things,
290
795000
1000
Mi történik, ha mást is csinálsz,
13:31
like you remove things from money?
291
796000
2000
ha kiveszed a képletből a pénzt?
13:33
You call them stock, or stock options, derivatives,
292
798000
3000
Nevezheted részvénynek, opciónak, származékos üzletnek,
13:36
mortgage-backed securities.
293
801000
1000
vagy jelzálog-alapú értékpapírnak.
13:37
Could it be that with those more distant things,
294
802000
3000
Lehet, hogy ezekkel a még elvontabb dolgokkal,
13:40
it's not a token for one second,
295
805000
2000
ami nem egy zseton egy pár másodpercre,
13:42
it's something that is many steps removed from money
296
807000
2000
hanem valami olyan, ami sok lépésre eltávolít a pénztől, sokkal hosszabb időre,
13:44
for a much longer time -- could it be that people will cheat even more?
297
809000
4000
lehet, hogy az emberek még többet csalnak?
13:48
And what happens to the social environment
298
813000
2000
Mi történik a társadalommal,
13:50
when people see other people behave around them?
299
815000
3000
amikor azt látjuk, hogy mások így viselkednek körülöttünk?
13:53
I think all of those forces worked in a very bad way
300
818000
4000
Úgy gondolom, ezek a dolgok
13:57
in the stock market.
301
822000
2000
nagyon rossz irányba hatnak a tőzsdén.
13:59
More generally, I want to tell you something
302
824000
3000
Általánosabban, szeretnék mondani nektek valamit
14:02
about behavioral economics.
303
827000
3000
a viselkedési gazdaságtanról.
14:05
We have many intuitions in our life,
304
830000
4000
Sokféle megérzésünk van életünk során,
14:09
and the point is that many of these intuitions are wrong.
305
834000
3000
és a helyzet az, hogy nagyon sok intuíciónk téves.
14:12
The question is, are we going to test those intuitions?
306
837000
3000
A kérdés az, hogy fogjuk-e ellenőrizni az intuícióinkat?
14:15
We can think about how we're going to test this intuition
307
840000
2000
Gondolkozhatunk, hogyan ellenőrizhetjük a megérzést
14:17
in our private life, in our business life,
308
842000
2000
a saját életünkben, vagy a munkahelyen,
14:19
and most particularly when it goes to policy,
309
844000
3000
és leginkább akkor, amikor politizálunk.
14:22
when we think about things like No Child Left Behind,
310
847000
3000
Amikor olyan dolgokra gondolunk, mint az iskolai felzárkóztató program,
14:25
when you create new stock markets, when you create other policies --
311
850000
3000
amikor új tőzsdéket hozunk létre, amikor szabályokat alkotunk.
14:28
taxation, health care and so on.
312
853000
3000
Adózás, egészségügy, és hasonlók.
14:31
And the difficulty of testing our intuition
313
856000
2000
Az intuíció ellenőrzésének a nehézsége
14:33
was the big lesson I learned
314
858000
2000
volt a legnagyobb lecke, amit megtanultam,
14:35
when I went back to the nurses to talk to them.
315
860000
2000
mikor visszamentem a nővérekhez.
14:37
So I went back to talk to them
316
862000
2000
Mert visszamentem, és beszéltem velük, és elmondtam nekik,
14:39
and tell them what I found out about removing bandages.
317
864000
3000
mire jöttem rá a kötések levételével kapcsolatban.
14:42
And I learned two interesting things.
318
867000
2000
Megint tanultam két érdekes dolgot.
14:44
One was that my favorite nurse, Ettie,
319
869000
2000
Az egyik az volt, amit a kedvenc nővérem, Ettie mondott,
14:46
told me that I did not take her pain into consideration.
320
871000
4000
hogy nem vettem figyelembe az ő fájdalmát.
14:50
She said, "Of course, you know, it was very painful for you.
321
875000
2000
Azt mondta: "Természetes, hogy fájdalmas volt neked,
14:52
But think about me as a nurse,
322
877000
2000
de gondolj rám, nővérre is.
14:54
taking, removing the bandages of somebody I liked,
323
879000
2000
Leszedni a kötést valakiről, akit kedvelek,
14:56
and had to do it repeatedly over a long period of time.
324
881000
3000
és ezt csinálni rendszeresen, hosszú időn keresztül.
14:59
Creating so much torture was not something that was good for me, too."
325
884000
3000
A sok tortúra, amit ez okozott, nekem sem volt valami kellemes."
15:02
And she said maybe part of the reason was it was difficult for her.
326
887000
5000
Azt mondta, talán ezért is volt neki is olyan nehéz.
15:07
But it was actually more interesting than that, because she said,
327
892000
3000
De igazából érdekesebb volt ez, mert azt mondta, nem gondolta,
15:10
"I did not think that your intuition was right.
328
895000
5000
hogy az én megérzésem jó,
15:15
I felt my intuition was correct."
329
900000
1000
azt hitte, az övé a jó megérzés.
15:16
So, if you think about all of your intuitions,
330
901000
2000
Szóval, ha az intuícióidra gondolsz, képzeld csak el,
15:18
it's very hard to believe that your intuition is wrong.
331
903000
4000
nagyon nehéz elhinni, ha a megérzésed hibás.
15:22
And she said, "Given the fact that I thought my intuition was right ..." --
332
907000
3000
Azt mondta - tudván, hogy azt hittem, nekem volt igazam -
15:25
she thought her intuition was right --
333
910000
2000
azt gondolta, hogy az ő intuíciója volt helyes.
15:27
it was very difficult for her to accept doing a difficult experiment
334
912000
5000
Nagyon nehéz volt neki elvégezni egy ilyen nehéz kísérletet,
15:32
to try and check whether she was wrong.
335
917000
2000
megpróbálni leellenőrizni azt, hogy esetleg tévedett.
15:34
But in fact, this is the situation we're all in all the time.
336
919000
4000
Valójában mindig ilyen helyzetben vagyunk.
15:38
We have very strong intuitions about all kinds of things --
337
923000
3000
Nagyon erős a megérzésünk, mindenféle dolgokkal kapcsolatban,
15:41
our own ability, how the economy works,
338
926000
3000
a képességeinkről, a gazdaság működéséről,
15:44
how we should pay school teachers.
339
929000
2000
arról, hogyan fizessük meg az iskolai tanárokat.
15:46
But unless we start testing those intuitions,
340
931000
3000
De ha nem kezdjük el leellenőrizni az intuíciónkat,
15:49
we're not going to do better.
341
934000
2000
nem tudjuk jobban csinálni.
15:51
And just think about how better my life would have been
342
936000
2000
Csak gondolj bele, mennyivel könnyebb lett volna az életem,
15:53
if these nurses would have been willing to check their intuition,
343
938000
2000
ha a nővérek ellenőrizték volna a megérzéseiket.
15:55
and how everything would have been better
344
940000
1000
És mennyivel jobb lenne minden,
15:56
if we just start doing more systematic experimentation of our intuitions.
345
941000
5000
ha elkezdenénk szisztematikusan vizsgálni a megérzéseket.
16:01
Thank you very much.
346
946000
2000
Nagyon köszönöm!
ABOUT THE SPEAKER
Dan Ariely - Behavioral economistThe dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why.
Why you should listen
Dan Ariely is a professor of psychology and behavioral economics at Duke University and a founding member of the Center for Advanced Hindsight. He is the author of the bestsellers Predictably Irrational, The Upside of Irrationality, and The Honest Truth About Dishonesty -- as well as the TED Book Payoff: The Hidden Logic that Shapes Our Motivations.
Through his research and his (often amusing and unorthodox) experiments, he questions the forces that influence human behavior and the irrational ways in which we often all behave.
Dan Ariely | Speaker | TED.com